Machine Learning
Hvad er Machine Learning?
Machine learning er en gren af kunstig intelligens, hvor computere lærer mønstre af data i stedet for at følge faste regler. Få en enkel forklaring med eksempler.
Indholdsfortegnelse
Machine learning, på dansk maskinlæring, er en gren af kunstig intelligens (AI), hvor en computer lærer at løse opgaver ved at finde mønstre i data, i stedet for at følge regler, et menneske har skrevet på forhånd. Kort sagt: i stedet for at programmere svaret direkte viser man computeren mange eksempler og lader den selv regne ud, hvordan tingene hænger sammen.
Tænk på, hvordan et barn lærer at genkende en kat. Du giver ikke barnet en lang liste af regler om knurhår, ører og hale. Du peger på katte igen og igen, og efter nok eksempler kan barnet selv genkende en kat, det aldrig har set før. Machine learning fungerer på samme måde: modellen ser tusindvis af eksempler og lærer det mønster, der ligger bag.
Sådan fungerer machine learning
En machine learning-model trænes på et stort datasæt. Forestil dig et system, der skal genkende spam-mails. Det får tusindvis af mails, der på forhånd er markeret som enten spam eller ikke-spam. Modellen leder efter de fællestræk, der adskiller de to grupper, for eksempel bestemte ord, afsendere eller mønstre i emnefeltet.
Når modellen er trænet, kan den vurdere en helt ny mail, den aldrig har set før, og gætte, om den er spam. Og den bliver bedre med tiden: jo mere data og feedback den får, jo skarpere bliver dens vurderinger. Det er netop denne evne til at forbedre sig selv ud fra erfaring, der har givet teknologien navnet maskinlæring.
Machine learning er motoren bag moderne AI
Mange af de AI-værktøjer, du allerede kender, bygger på machine learning. En sprogmodel (LLM) som den bag ChatGPT er trænet med machine learning på enorme mængder tekst. Det samme gælder generativ AI, der skaber billeder og tekst. Når du hører om AI i hverdagen, er der næsten altid machine learning under motorhjelmen.
- Anbefalinger på streamingtjenester og webshops, der gætter, hvad du vil kunne lide
- Spamfiltre, der sorterer din indbakke
- Ansigtsgenkendelse, når du låser din telefon op
- Prognoser for salg, vejr eller trafik
Hvorfor er machine learning relevant i digital markedsføring?
Machine learning arbejder allerede i baggrunden af de fleste marketingværktøjer. Annonceplatforme som Google og Meta bruger det til at finde de mest relevante modtagere af en annonce. Analyseværktøjer bruger det til at forudsige, hvilke kunder der er ved at falde fra. Forstår du grundprincippet, bliver det lettere at træffe gode valg, når du bruger værktøjerne.
Et konkret eksempel: i stedet for selv at gætte, hvilken målgruppe der virker bedst, kan en annonceplatform med machine learning løbende justere visningerne mod de personer, der oftest reagerer. Din opgave bliver så at give systemet et klart mål og godt materiale at arbejde med.
Hvad skal man være opmærksom på?
En machine learning-model er kun så god som de data, den er trænet på. Er data skæve eller mangelfulde, bliver modellens vurderinger det også. Husk også, at modellen finder mønstre, ikke sandheder. Den kan se sammenhænge, der i virkeligheden er tilfældige, så menneskelig vurdering er stadig nødvendig.
Vil du lære at bruge AI og machine learning?
På vores kursus i Generativ AI & ChatGPT lærer du at bruge AI-værktøjer, der bygger på machine learning, i dit daglige arbejde. Vil du have et samlet forløb, kan du tage vores 6-ugers AI-kursus for ledige, der er gratis for ledige på dagpenge gennem a-kasse eller jobcenter. Du finder alle vores kurser for ledige samlet ét sted.
Nej. Kunstig intelligens er det brede begreb for systemer, der efterligner intelligens. Machine learning er en bestemt metode inden for AI, hvor systemet lærer af data.
Deep learning er en avanceret form for machine learning, der bruger såkaldte neurale netværk. Det er især stærkt til komplekse opgaver som billed- og sproggenkendelse.
Det varierer meget efter opgaven. Simple opgaver kan klares med begrænsede data, mens avancerede modeller ofte kræver meget store mængder for at blive pålidelige.
For selv at bygge modeller hjælper det at kunne kode. Men de fleste marketingfolk møder machine learning gennem færdige værktøjer, der ikke kræver programmering.
Ja. Modellen bygger på sandsynlighed og mønstre i data, så den kan ramme forkert, især hvis den møder noget, der adskiller sig fra det, den er trænet på.